萬字長談丨同濟工智院華先勝：工程智能，是 AI 的「成人禮」

今天的 AI 已經足夠耀眼。它能在幾秒鐘內寫出文章、生成代碼、繪制圖像，也能像助手一樣拆解任務、調用工具、給出方案。對很多人來說，AI 的未來似乎已經清晰可見：更高效率、更低成本、更少人力，以及越來越自動化的生產流程。

但同濟大學工程智能研究院的華先勝院長看到的則是另一面。

在他看來，AI 真正的挑戰不在于能不能“說得像人”，而在于能不能進入那些不能靠語言流暢度解決的真實系統。工程世界就是這樣的系統，它關乎樓宇是否安全、橋梁是否可靠、交通是否順暢、能源能否穩定調度、城市能否持續運行。

這里沒有簡單的標準答案，也不能用幻覺冒充創造力。一個 AI 模型即使能寫出完美方案，也不意味著它理解了工程現場。

所以，工程智能要回答的第一個問題是：AI 如何從數字世界走向物理世界？

華院長認為，工程智能不是 AI 與工程的簡單相加，它既要用已有 AI 技術解決工程問題，也要從復雜工程系統中倒逼新的 AI 理論和方法，更要把這些能力沉淀為平臺、模型、智能體和操作系統，讓工程智能從單點突破走向規模化復制。

這也是他從微軟、阿里、城市大腦一路走到同濟工程智能研究院后形成的判斷：AI 落地不能只靠“拿著錘子找釘子”，也不能只靠一個個項目堆起來。真正的工程智能，必須長在產業現場，也必須長成一套體系。

而更深層的是，華先勝并沒有把工程智能僅僅看成產業效率工具。他同時追問了另一個更難的問題：當 AI 越來越強，人會不會被系統邊緣化？

如果 AI 只沿著替代人的方向發展，它可能帶來崗位替代、認知退化和精神操控。但如果換一條路，讓 AI 成為人的共創伙伴，讓模型/智能體的能力和人類的非邏輯創造力彼此激發，AI 就不再只是“完美機器”，而可能成為一種共生智能。

于是，工程智能在這里獲得了雙重含義：一方面，它是 AI 進入復雜工程系統的技術路徑；另一方面，它也是重新設計人機關系的一次嘗試。

基于這些判斷，雷峰網與華院長進行了一次系統對話。對話從“工程智能究竟是什么”開始，一路延伸到復雜工程系統、產業規模化落地、工程智能操作系統、靈感計算、人機互信，以及 AI 時代人的位置。

某種意義上，這不僅是一場關于工程智能的訪談，也是一場關于 AI 未來路徑的再追問。

華先勝：要解釋工程智能，首先要講清楚“工程”在這里指什么。今天很多人講工程，尤其是做計算機的人講工程，更多想到的是 software engineering，也就是軟件工程。但我們講工程智能時，“工程”至少有兩層含義。

第一層是傳統工程，也就是推動人類社會進步和發展的那些基礎設施與產業系統。比如建造房子、樓宇、橋梁，屬于建造；制造本身也是非常大的范圍；交通是交通工程，能源有能源工程，材料、醫學、海洋等領域里也都有工程問題。

如果稍微收窄一點，可以理解為傳統工科所關注的工程問題，包括建造、制造、能源、汽車、交通、海洋等。很多時候，科學和工程之間的邊界并不只是看題目本身，而是看推動這個領域發展的方式。比較偏工程方法的，都可以歸入工程范疇。

第二層則更接近過去講的軟件工程，但我們不簡單稱之為軟件工程，而是稱為“硅基工程”。人工智能要真正實現產業規模化落地，也需要工程能力。

也就是說，當我們用 AI 方法解決了傳統工程中的難點問題之后，怎樣讓它走向規模化？這就需要構建系統、平臺和工具，讓更多人能夠使用，而不是每一個工程問題都必須由頂尖 AI 專家和頂尖工程專家坐在一起才能解決。這個世界上的工程問題太多了，如果都只能依靠少數頂尖專家一對一解決，就很難形成規模化。

所以，工程智能可以有一個比較正式的定義：人工智能與工程實踐的深度融合，利用人工智能技術深入解決工程領域的核心問題，實現對工程實踐規模化賦能的變革性技術范式。

不過這個定義比較書面，我更愿意從三個層次來解釋。

第一層叫“工程 + 智能”。也就是用今天相對成熟的人工智能技術去解決傳統工程中的具體問題。例如，在建造領域，設計一棟樓、一座橋時，能不能用 AI 輔助設計，讓設計速度更快、方案更合理、更有創意？一棟樓已經建成之后，能不能用 AI 對樓宇健康狀況進行預測？在交通領域，能不能用 AI 提升城市交通效率和交通安全？這些都屬于工程 + 智能。

它當然也是工程智能的一部分，但還不是最核心的部分。因為這一層往往不一定會對人工智能本身提出非常高的新要求，更多是在已有技術基礎上做一些增量創新，解決某個具體領域問題。

第二層才是真正作為一個詞的“工程智能”。它不是工程和智能的簡單相加，而是因為傳統工程領域中存在大量今天技術難以直接解決的問題。

工程系統往往非常復雜，比如建一座橋、優化一座城市的交通、調度一個城市的能源或電力系統，這些都是復雜系統。今天的 AI 技術還不能直接解決這些核心問題，于是它反過來會給人工智能提出新的理論和方法要求。

我們發展新的 AI 理論與方法去解決這些工程問題，一方面推動工程學科和工程技術的發展，另一方面也推動人工智能技術本身的發展。到這個階段，它就成為一個新的領域，放在學校里講，也可以說是一個新的學科。

第三層是工程智能操作系統。我們希望把那些看起來高大上的技術，變成大家都能使用的工具。就像今天我們用 Windows、Office、PowerPoint，不需要微軟工程師和我們一起寫文檔、做幻燈片；醫生用 CT 做診斷，也不需要理解 CT 機內部如何成像、如何重建，只要會使用設備，就能做診斷、制定治療方案。工程智能也要走到這個階段，才能真正被規模化使用。

這三個層次不是先后割裂的。我們現在同時在做三件事：第一，用現有技術去看工程問題；第二，針對工程里的難點問題發展新的方法；第三，從現在開始構建平臺系統，今天能解決多少問題，就把多少能力放進系統里。系統變成開放系統之后，更多人也可以一起貢獻。

我還經常用“點、線、面”來解釋工程智能。點，是解決某一個具體問題。比如某一個蛋白質結構預測，或者某一個作物的育種問題，都是點。線，是能解決一類問題，例如不僅能做大豆育種，也能做水稻、玉米等作物育種，形成一個加速育種的平臺。面，或者體，是在一個領域里能解決一組相互關聯的問題，比如農業里不僅做育種，還能做精準種植、農業機械化、加工等。

如果只做點，很難形成一個領域或學科；至少做到線，才可能成為一個領域，成為一個平臺，成為一種賦能工具。我們的目標是從點到線，再到面。當然，從點到線相對容易，走到面需要很多年的積累。

（2025年5月20日同濟大學工程智能研究院成立）

華先勝：過去其實也在做，只是還沒有那么成體系。今天把工程智能這件事提出來，是因為技術和產業發展到了一個可以更深入、更大規模推進的階段。

第一個維度是工程本身的需要。工程非常重要，真正改變世界的很多東西其實是工程。當然，工程很多時候來自科學突破，科學理論再進入工程應用，推動人類改造和適應世界。

城市建設、大陸橋梁、飛機、大型水電站、大型建筑，本質上都是工程。中國本身也是工程大國，但今天的工程系統越來越復雜。大型水電站、飛機制造、大型建筑等系統一旦出問題，很多時候是災難性的，因此迫切需要新的方法來保證可靠性和安全性。

我們過去一段時間做了很多探索，后來發現這和錢學森先生當年講的“開放復雜巨系統”非常相關。

工程里的很多系統本質上就是開放復雜巨系統：組件非常多，耦合度非常高，相互依賴非常強；同時它不是封閉系統，而是在不斷演進，并且與外部環境持續交互。比如電站會受到環境變化、水流變化、能量輸入輸出的影響；城市交通更是一個不斷變化的開放系統。

這類系統還有涌現性。涌現就是從量變到質變，很多規律不是用以往方法能輕易計算出來的。今天大模型也有涌現，但老實說，背后的機制也還沒有真正弄明白。

復雜工程系統也是這樣：難以建模，模型建不好，就更談不上推演、預測和優化。因此，工程需要人工智能去輔助、去賦能。

第二個維度是人工智能本身的需要。人工智能從深度學習時代發展到 2022 年底之后的大模型、智能體時代，速度非常快，威力也非常強。但它在數字世界里很強，在物理世界里仍然步履維艱。

今天機器人可以打拳、扭秧歌、跳舞，甚至可以跑馬拉松，但你讓它真正完成一個任務，哪怕不是特別復雜的任務，也并不容易。讓它照顧老人、照顧小孩，或者到大街上幫你取一個東西回來，這些都沒有那么容易。更不用說真正的工程場景。

如果人工智能要真正成為改變產業的生產力，就不能只成為數字世界的生產力，還要進入物理世界。我們說人工智能是新質生產力，但它只有被規模化使用，才會真正成為現實的生產力。

工業革命也是一樣，如果一項技術只停留在少數領域、樣板領域，就不會推動產業革命。人工智能接下來除了數字世界，還要進入物理世界；除了樣板，還要走向真正的規模化。

第三個維度是技術已經具備了基礎。大模型、智能體、物聯網、算力，以及過去十幾年產業數據化的實踐，雖然有成功也有教訓，但都為規模化工程智能提供了必要基礎。

產業界、政府和社會對人工智能的接受度也比過去高，尤其在中國，大家更愿意嘗試。過去十幾年，AI 落地往往只解決了一部分核心問題，很多產業核心問題其實沒有真正解決，這也是難以規模化的重要原因。

此外還有國際競爭格局。很多人把一些國際計劃理解為偏科學智能，但仔細看，其中也包含制造等工程內容。貝索斯較早提出 Physical AI，要投入巨額資金做這件事。

本質上，這也是工程智能的一部分，只是他更多講制造，我們講的范圍更廣。他的做法可能是把傳統產業買下來直接改造，而我們更希望提供平臺和工具，讓產業自己在工具上完成改變。

華先勝：這是一個必須正視的問題。我們在全速擁抱 AI 的同時，也要看到它發展路徑里存在幾重暗礁。

第一重是生存的替代。大模型和智能體已經開始改變崗位結構，特別是初級崗位、重復性崗位，受到的沖擊會更明顯。第二重是認知的退化。如果一個人習慣把思考、寫作、判斷都外包給 AI，大腦就會越來越少經歷真正的訓練。第三重是精神層面的操控。算法比你更了解你的喜好和弱點，它可以不斷投喂你想看的東西，讓人困在信息繭房里。

所以，問題不只是 AI 技術本身有多強，而是我們到底沿著什么路線發展 AI。如果我們追求的是一個“完美機器”，讓它在越來越多場景中 100% 替代人，人就會被逐漸邊緣化。它看起來提高了效率，但也可能帶來崗位、認知和精神層面的長期風險。

我更關心的，是能不能用技術去解決技術帶來的問題。也就是說，不只是靠倫理提醒、靠使用者自律，而是在系統設計之初就避免走向單純替代人的路徑。工程智能要進入物理世界、進入產業核心，就更不能只是做一個替代人的機器，而應該成為激發人類智慧和能力的合作伙伴。

華先勝：人工智能領域有很多了不起的團隊和人才，他們推動了技術和應用的發展。但如果要把“從技術到產業”這條路真正走通，需要一種綜合能力：既要有算法研究能力，對算法原理有深入理解；也要有工程化能力，能夠把技術轉化為穩定可靠的系統和產品；同時還需要圍繞真實業務和應用場景，持續打磨系統架構、產品體驗和商業落地路徑。

算法、系統、產品、產業落地之間不是一條簡單的線，而是高度耦合的關系。過去很多討論是在說，到底是錘子找釘子，還是釘子找錘子：是先有算法再找場景，還是先有需求再找算法。

經過這些年的經歷，我現在想做的事情不是判斷到底誰找誰，而是讓所有釘子都能有合適的錘子，所有錘子都能找到合適的釘子。更準確地說，是構建一個更大范圍的架構，讓“找”的問題不再成為問題。

如果總在糾結先做技術還是先找需求，就會一直停留在原來的問題里。我的想法是，把大的構想和系統架構設計出來，錘子和釘子都在里面，就可以直接用。

工程智能之所以強調認知，是因為認知會決定做法。為什么要區分“工程 + 智能”和“工程智能”？為什么要強調點、線、面？為什么要構建工程智能操作系統？這些都是過去二十多年經歷逐漸沉淀出來的。

從微軟搜索、必應搜索相關技術，到阿里拍立淘、城市大腦、醫療健康，再到今天做工程智能，很多理念是一脈相承的。只是今天技術和產業發展到了新的階段，我想布一個更大的局，讓人工智能技術和產業之間的 gap 在設計之初就被縮小，甚至不再成為最難的問題。

華先勝：可以這么理解。從學校層面看，最早的初衷是新的工程學科建設需要人工智能介入。做工程智能其實有兩撥人：一撥是做工程的人往人工智能方向走，另一撥是做人工智能的人往工程方向走。

這兩撥人各有優勢和短板。工程領域的人對工程本身的認知非常深，這是他們的專業，也是非常重要的優勢，否則你甚至不知道真正應該做什么問題。但他們不一定擅長 AI。做 AI 的人 AI 能力強，但對工程本身問題的認知不夠。

兩邊甚至可能互相覺得對方做得不夠好：AI 人可能覺得工程方法太簡單，工程人可能覺得 AI 人沒有做到正確的問題上。工程智能研究院要解決的一個問題，就是讓這兩撥人不要割裂開做，而是在一起做。

同濟的工程學科是優勢，我來到同濟做工程智能，也是希望發揮同濟工程學科的底座，把工程智能真正變成一個詞，而不是兩個領域的松散拼接。更大的層面上，就是讓人工智能從數字世界走向物理世界，真正成為生產力。

（發布《工程智能白皮書》）

華先勝：在回答這個問題之前，我想先補充一點。我過去做人工智能，落地性比較強，不只是寫論文、做 demo，而是做真正有幾千萬、上億人使用、被現實檢驗的系統。因此我對行業和領域本身一直有敬畏之心。

現在有一個趨勢：誰都想去搞人工智能。這一方面是好事，但如果一個學科的人放棄自身領域，轉而去做人工智能本身，不見得是好事。比如醫學，如果醫學生和醫學研究者都去做人工智能，醫學本身怎么辦？你的優勢可能不是人工智能本身，而是你的學科與人工智能的結合。

對于工程、醫學等領域的人來說，目標應該是用人工智能推動本學科發展；對于我們做人工智能的人來說，目標則是推動這些學科發展，同時也推動人工智能發展。

我以前做醫學人工智能時也有過困惑。我們做醫學影像，效果也不錯，但好像總是不溫不火。后來我想明白了：醫學人工智能的目標應該是推動醫學的發展。不是說沒有 AI 醫學就不能發展，而是 AI 帶來的技術進步要真正推動醫學進步。

就像 CT、MRI 這類技術，它們在醫學里有生命力，因為它們改變了醫學。如果 AI 只是提升效率，當然也有價值，但生命力不夠強。只有推動學科發展，它才會有更強的生命力。

回到研究院的目標，我們不是做項目制，而是要構建一套體系。從可見的結構上講，我們按照平臺、模型、智能體、應用四層來構建。

研究院不是公司，但它也不是一個只做學術的學院，而是一個產學研融合的設計。我們要做學術前沿，也要培養人才，但還要把成果變成可以產業化落地的東西。

不過，真正的產業化落地不一定由研究院本身完成。研究院更像是預研和孵化平臺，把技術做到一定程度之后，再通過孵化企業或賦能企業完成產業化。研究院本身不是商業載體，但它承擔產學研融合和產業孵化的重要責任。

這也反映在團隊構成上。一般學院以學術人才為主，而我們既有學術人才，也有來自產業研究院的人才。他們既有前沿學術研究能力，又有系統設計、系統實現和產品化能力。我們講產學研融合，不是表面上的融合，而是真正的產研融合。

在架構上，我們還設計了一個三級結構：學校層面的研究院、面向上海的新型研發機構，以及后續孵化或賦能的企業。最終，我們希望從研究院走向產業，從基礎能力走向平臺化系統，再走向真正的企業和產業生態。

華先勝：我覺得可以這樣理解：如果說傳統 AI 落地更多強調“降本增效”，那么共生智能更強調“開智增能”。它不是簡單用 AI 替代人工，而是讓人與 AI 深度結合，用相同甚至更少的人力，完成更深入、更強大的創造。

我們要做的不是一個個孤立項目，而是把平臺、模型、智能體、應用，以及未來的人機協同機制放在同一個體系里，讓 AI 的能力和人的能力共同演進。

華先勝：如果從應用領域看，我們目前有土木建造、交通、海洋等方向。比如在建造領域，我們做的是從設計到設計評估，再到建成建筑的狀態預測。

一個具體技術叫 BIM to FEA。BIM 是建筑信息模型，主要描述建筑的物理和幾何結構。過去很多年，行業一直在使用 BIM；它比平面圖更形象，有三維信息，可以看到建筑長什么樣。但是，如果要拿 BIM 去評估建筑健康狀況、風險，或者分析極端天氣、地震對建筑的影響，它還不夠，因為這些問題需要進入力學層面。

進入力學層面，就要分析建筑結構中的應力，還要考慮材料等因素。工程上通常通過有限元仿真完成。過去這件事基本靠手工：先有 BIM 模型，再手工構建 FEA 有限元模型，畫網格，進行仿真，分析應力。只有把這些分析清楚，才能判斷房子會不會有風險。

我們現在希望把這個過程自動化：從 BIM 直接生成力學仿真模型，自動完成網格劃分，甚至在某些情況下不經過反復迭代就得到滿足條件的仿真結果，并且自動生成分析報告。報告可以告訴設計方案是否存在問題，也可以用于運維階段，判斷一棟建筑應該如何修理、如何保護。

交通領域，我們在交通安全方面有比較好的進展。我們對城市全量交通事故進行深入分析，分析事故成因、責任歸屬、車輛行為、碰撞位置和各種細節。過去這些都需要人來分析。一個直接應用是幫助交警做事故定責，并且把分析結果與法律法規結合，輔助判斷責任。

更大的應用在于，當我們掌握了城市歷史交通事故的發生機理，就可以知道事故到底由哪些因素造成：哪些是人的原因，哪些是道路原因，哪些是交通規則原因。這樣就可以對城市交通基礎設施提出建議，比如哪些地方應該改造，哪些通行規則應該調整，從而降低事故發生概率。

我覺得更有意思的是從司機角度入手。交通事故往往是多種因素疊加造成的。即使道路擁堵、路況不好，如果一個人足夠仔細，也可能避免事故。很多時候，是多個條件湊在一起才發生事故。因此我們可以從司機層面去破壞促成事故的因素。

人的駕駛習慣、當天心情、天氣狀況、交通狀況、實時駕駛行為都會影響事故風險。在某種條件下，我們可以提前預測：某位司機今天走到某個地方時，發生事故的概率可能比平時高好幾倍。這時就可以提醒他注意駕駛行為，甚至調整路線。過去沒有大模型技術，這件事不太好做，但時至今日，這件事已經變得相對更容易了一些。

海洋方向，我們綜合多源海洋數據和預測模型，對海洋情況進行分析和預測，例如海面溫度變化趨勢等，并構建相應的智能體。

還有一個很重要的點是：我們做的東西不是論文，也不是博士論文，而是一個可用系統。當然，今天說它已經是成熟產品還為時過早，但至少它是真正在跑的東西。有些能力要真正落地，還需要和外部系統連接。比如交通中對個人進行提醒，就需要和高德或其他 GPS 系統連接；要做全城市全量事故分析，則需要和城市大腦這類系統連接等等。

除了這些具體領域，我們還做了兩個偏通用的能力。第一個是傳統工程的全科工程智能體。它不是只面向土木、交通、能源或制造，而是把工程學科里的知識和能力放在一起。我們不是簡單做一個大模型，而是做智能體，同時嵌入我們自己調優的模型、知識圖譜，以及一些物理約束。

這個智能體主要用于交互式工程教學和研究探索。我們不希望它變成學生直接拿答案的工具，因此設計了啟發式模式：學生不知道怎么做時，系統會一步步提醒他從哪里思考，避免直接抄答案。它也針對工程領域做了優化，能夠處理全科問題，包括讀圖、圖紙理解、計算、建模等。

第二個是偏科研場景的工具，用來輔助工程智能或人工智能科研。它可以自動追蹤全球前沿研究進展和資訊，幫助研究者把握趨勢。我們每天做分析，每個人可以有自己的訂閱。訂閱不是簡單推送一條信息，而是拿到信息之后還可以繼續和系統溝通：讓它進一步總結，與其他論文或資訊關聯，或者用不同文風解釋。

對于管理者，它可以用通俗語言解釋艱深論文；對于技術人員，它可以深入到技術細節。更重要的是，我們希望它不僅是信息工具，還能把人、模型和智能體的能力融合起來，實現互相激發：人激發智能體產生更多有創意的想法，智能體也反過來激發人的想法。

（研究院展覽體驗中心）

華先勝：靈感本來看起來是不可計算的。如果能計算，為什么還叫靈感？但我們不是說所有靈感都能計算，而是想解決其中能夠被計算的一部分。

比如，一個研究者要產生一個新方法來解決問題，首先會有上下文：可能是一篇論文、一條資訊，或者一個很粗淺的想法。其次，可以放入當前領域最前沿技術的一些關鍵詞；再次，可以放入這個領域存在的各種問題。這些都可以成為不同維度。當然維度可以不止三個，理論上可以有很多維度。

這個想法其實來自我很多年前在北大聽過的一堂課。那位老師講了兩個概念，一個叫“維論”，另一個叫“尋找新的自由度”。很多時候我們覺得沒有路，是因為把自己限制在二維或三維空間里。換到另一個空間，增加一個維度，問題可能就很簡單。

我以前在團隊里講研究方法時，也常說要尋找新的自由度。而靈感的產生，在某種意義上就是升維，或者是在已有維度中尋找沒有被挖掘過的地方。

關鍵在于，如何創造這些維度，而一旦維度創造出來，空間就會變得很廣闊。

這也和大模型的創新能力相關。今天大模型能畫畫、做視頻、寫詩，看起來有創新能力。但它為什么能創新？創新天花板在哪里？

我用文字來打個比方：第一類是已經存在的有意義文字，也就是人類已經寫出來的文本；第二類是所有可能的、有意義的文字組合，它們現實中未必已經存在，但大模型可能生成出來；第三類是任意文字組合，其中很多并沒有意義。

大模型今天能夠創新的地方，主要是在第二類空間里：現實世界還不存在，但它確實是有意義的組合。它的天花板也在這里，因為它是從已知內容中學出來的。

如果存在一種文字組合，人類現在還不知道它是否有意義，大模型也很難真正判斷。它可以隨機產生，但無法保證體系性，也無法判斷對錯。它也無法從文言文直接創造出現代漢語這種語言演化。人類不同的地方在于，人類可以創造逐漸演變的新狀態。

所以，靈感計算的思路是構建不同維度，在維度形成的空間里尋找還沒有被探索的可能性。這只能解決一部分問題，但已經能大幅提升人的能力。

比如構建一個三維空間，每一維有 10 個向量，就可能產生 1000 個 idea。其中可能 100 個已經被人做過，800 個不靠譜，但剩下 100 個也許有價值。系統可以自動判斷哪些已經被做過，哪些不太靠譜，剩下的就可能成為有意義的啟發。

難點在于如何“造維”，也就是如何描述創新空間。我們不求完整描述，只要能描述其中一部分空間，就有價值。

華先勝：是的。AI 的超強能力需要和人類獨特的非邏輯創造力結合，才能突破自身能力的天花板。一個好的共生智能系統，不是把答案直接交給人，而是把人推到更高價值的創造環節上。它可以完成大量繁重的信息搜集、比對、推理和生成工作，讓人把精力集中在決定性、創造性的部分。

比如教育場景里，如果一個 AI 只是幫助孩子更快刷題、拿到標準答案，它可能把孩子訓練成應試高手，卻未必能讓孩子愛上學習，更難讓他成為提出問題的人。但如果 AI 像一位特級教師，引導孩子在學習引力時親手拖動虛擬行星，再追問“如果引力規則完全不同，會發生什么”，它就可能點燃孩子的好奇心。

科研也是如此。前幾年，DeepMind 和牛津大學數學家合作，把 AI 引入拓撲學研究。AI 分析大量被稱為“紐結”的復雜拓撲對象，在代數和幾何表征之間發現了新的關聯模式；人類數學家再把這個模式提煉、理解并完成證明。這個例子說明，AI 可以發現人類難以窮盡搜索的模式，但最終的理解、判斷和理論化，仍然需要人的智慧。

靈感計算想做的，就是把這種“互相激發”變得更系統、更可規模化。通過構建不同維度、探索沒有被走過的組合空間，智能體可以不斷向人提出可能性，而人則用自己的經驗、直覺和非邏輯創造力，去判斷哪些可能性真正有價值。

（華先勝院長講共生智能）

華先勝：這正是為什么要打造工程智能操作系統。我們把工程智能中的核心問題總結為幾個層面。第一個問題是建模：怎樣用相對統一的方式把一個工程問題建模？工程問題非常復雜，數據量和數據模態都很多，有時間數據、空間數據、圖紙、文本、視覺信息、時間序列等。工程領域首先需要一套相對統一的建模機制，能夠處理這些異構數據。

這里有兩類問題。一類是能夠建模的數據，我們盡量通過統一方法建模；另一類是很難放進統一模型的數據，就作為外部數據來使用。有些數據語義不強，數據量又不多，很難 token 化，硬放進統一模型反而沒有用。這類數據可以作為上下文，或者作為外部數據，由模型通過另一層能力讀取和操作。

工程領域還會涉及物理規律和各種約束，比如成本約束、時間約束、安全性約束等。這些都會比較復雜。我們會把它們抽象成基礎能力，但進入具體領域時，還要針對該領域優化和調優。

不能指望一個大一統模型解決所有工程問題，語言模型也許可以某種程度上統一很多語言任務，但工程世界很難這樣。因此，我們會有基礎框架、基礎模型，也會在每個領域進行針對性優化。

這就是工程世界模型，它不是通常意義上只關注三維空間的世界模型，而是要刻畫工程場景中的復雜問題，包括設備數據、建筑、機械以及它們之間的關系。刻畫之后，還要進行推理，包括優化、預測、仿真等。這個過程不容易，但我們要用相對統一的方法逐步往前走。

華先勝：我們可以把它概括為三層，或者說三個基礎研究維度。第一層是工程世界模型。它解決的是可信建模和可信推理：如何準確刻畫工程世界，如何在模型之上進行優化、預測、仿真。

第二層是多人多智能體協同系統，也可以叫工程共創的多人多智能體體系。到了這一層，問題不只是模型能不能刻畫世界，還包括任務能不能被可靠執行，智能體之間能不能協作，智能體和人之間能不能協同。我們提出四個關鍵詞：可信建模、可信推理、可信執行、可信協同。前兩個偏模型層，后兩個偏任務執行和協同層。

現在業界非常關注智能體執行框架和 harness，本質上是因為大模型不可靠。怎樣在真正完成任務時，讓它安全、可靠、可控？工程智能對這一點要求更高，因為工程場景不能簡單試錯重來，它有更多約束，對可靠性、可解釋性和安全性的要求也更高。

第三層是人機互信，這是我們很重要的創新。早期它還是一個概念，后來我們希望把它變成可計算的東西。未來社會生產和生活可能是人機融合的：你的同事、同伴可能是人，也可能是智能體。人和人之間、人和機器之間、機器和機器之間，都需要信任。只有互相信任，協同效率才會高。

但這件事不能停留在理念層面，我們要把信任變成系統中可以計算、可以演化的變量。系統運行的目標之一，是讓信任度隨著協同不斷提升。信任度提升后，工程世界模型對世界的刻畫能力會更強，多人多智能體系統完成任務的質量和效率也會更高。

也就是說，人機互信成為系統演進中的一個約束和優化目標。我們也定義了信任如何度量、如何演化，并把它稱為信任的動力學方程。

過去，信任更多是管理學或心理學概念。我們希望把它變成可計算概念，與模型精度優化、任務完成能力優化并列，成為系統優化的一部分。這樣，模型與模型之間、人和模型之間、人和人之間協同更可信，整個系統運行的效率和可靠性也更高。

這也和我提出的“共生智能”有關。我去年在一個報告里提出這個概念，并在此基礎上寫了一本書，暫名叫《共生智能：人工智能的下一代》。它有技術哲學，也有系統架構。它不是只講理念，因為里面的很多東西可以一行一行寫成代碼，落成系統。

對此我的一個觀點是：要讓最好的選擇成為唯一的選擇。也就是說，當我們設計出一個足夠好的、人機協同、共生共創的系統，大家自然會選擇它。

所以，工程智能操作系統可以由三個基礎部分構成：工程世界模型、工程共創的多人多智能體體系，以及人機互信優化。三者合在一起，才構成真正意義上的工程智能操作系統。

而從實現工程智能的技術路徑上講的，共生智能并不是一個抽象口號。未來可以有“共生智能大模型”：它不只是知識問答機，而是在模型和智能體的設計中融入人類長期積累的創新理論和方法，使模型具備一定的“靈感激活能力”。

智能體則像總指揮，負責規劃和執行復雜任務。更重要的是，它要能識別邏輯和計算的盡頭：當模型靠自身計算無法繼續突破時，它就應該主動轉向人類伙伴，開啟高質量的創造性對話。

如果這個智能體還有長期記憶，能夠記住與人的每一次互動，理解人的能力結構、興趣、偏好和思考方式，那么它就不再只是一次性工具，而會逐漸成為與人共同進化的伙伴。人、模型和系統之間的能力，也會形成螺旋式上升的閉環。

（研究院回廊展廳）

華先勝：我覺得更大的可能不是取代這個職業，而是取代這個職業中的大量人力。可以用一個非常簡化的例子來講：如果工作量是 100，過去可能需要 100 個工程師完成，未來可能 10 個工程師加一批智能體就可以完成，甚至 5 個工程師加一批智能體就可以完成。這是工作量固定時的情況。

換一個角度，如果仍然有 100 個工程師，但他們帶著 1000 個智能體，就不是完成 100 的工作量，而可能完成 1000 甚至 10000 的工作量。所以，它不一定取代工程師這個職業，但會改變這個職業中的人力結構和工作方式。

AI 完全取代一個職業，我認為很難，因為大模型的本質是概率預測。我們說它在生成，其實它是在預測。為什么有幻覺？為什么有時候不聽話，甚至違反人的某些指令？因為它是概率模型，它根據上下文認為那是最好的結果。它不像人一樣有 common sense，它不是不想聽話，而是它并不知道自己是否違反了什么。

完全替代人是不現實的。人可以在系統里發揮重要作用，尤其是創新部分。剛才講靈感計算時也提到，大模型創新有天花板。即使它通過隨機方式跳過某些限制，也很難判斷那個東西到底對還是錯。人有很大的靈活性，也有非邏輯的部分。今天所有 AI 都基于計算，本質上基于邏輯，而人可以超越這部分。

因此，我們設計系統時，會考慮如何充分發揮人的能力，讓人在未來有位置。工程智能不是簡單取代人，而是讓人機共創成為一種新的范式。它會讓會使用 AI 的工程師擁有更強能力，也會讓不會使用 AI、不能用 AI 賦能自己的人被淘汰。

所以，我更愿意說：AI 不只是幫你完成任務的工具，也應該成為讓你自己進步的工具。

從這個意義上說，工程智能真正要避免的是把人擠出系統。一個共生智能系統的目標，不是讓人不再思考，而是讓人的思考進入更高層次。它會讓 AI 承擔大量低價值、重復性、計算性的工作，同時不斷把人拉回到判斷、創造、責任和價值選擇的位置。

我覺得，未來最好的 AI 系統，不是讓人越來越依賴它，而是讓人因為使用它而變得更強。它不是只給你一個答案，而是讓你在和它共同完成任務的過程中，逐漸擁有更強的洞察力、判斷力和創造力。

華先勝：前面描繪的很多東西，可能到那時會逐步成為現實。首先，工程領域里一些核心難點問題，會通過與人工智能的深度融合得到相當程度的解決。比如開放復雜巨系統中的很多問題，今天還沒有解，這也是人工智能難以規模化落地的重要原因之一。過去很多 AI 落地沒有進入產業核心，只是在外圍做了一些事情。

我經常舉一個例子：智慧校園如果只是做通行、安防、消防，重要嗎？當然重要，但它并沒有進入學校的核心。中小學的核心是教育和教學，大學還有科研。只有 AI 進入教學和科研，才真正進入學校核心。

工廠也是一樣，如果只做通行、安全檢查、有沒有人違反安全規定，也不能說不重要，但如果沒有進入生產、設計、營銷等環節，就沒有進入核心。工程智能必須進入工程和產業的核心問題。未來幾年，這件事會得到比較好的解決。

第二，工程智能體會全面滲透。當然，“全面”怎么定義還需要討論，但滲透面一定會很廣。工程全生命周期中的策劃、設計、施工、運維、運營等階段，都會出現專業智能體。智能體和人類工程師一起工作，會成為司空見慣的事情。

這背后是人機協同范式的常態化。在大型工程、大城市治理、制造等領域，專業智能體會和專業工程師一起完成任務。我們正在做的人機共創協同平臺，或者人機共生共創平臺，本質上就是為了這個場景。

智能體和人有不同特點。智能體可以 24 小時工作，只要有 token budget，就可以持續做調研、實驗、各種可能性探索。人類則更多貢獻 out of the box 的想法，或者非邏輯的創新。

不同智能體也可以扮演不同角色，有的偏創新，有的偏質疑，總是提出不同意見。未來，人還可以把自己的經驗和思維習慣培養進智能體，甚至培養自己的 N 個分身。

不過，工程領域有很多核心能力不是今天一個模型就能解決的。體系本身可能很快跑起來，但真正面向工程核心問題的能力，需要深入到具體領域里，一點點構建。

我也希望，通過基礎能力、平臺化方式和系統構件，中國能夠在工程智能技術方面走在世界前沿，甚至形成引領。

更長遠地看，AI 帶來的挑戰不只是效率問題，也不只是生產力問題，而是人在智能系統中的位置問題。如果技術只制造一個無挑戰、無摩擦的舒適區，人可能會在極度便利中失去目標。共生智能的意義，是為人類提供持續探索的前沿，以及值得尊敬、能夠共同成長的智能伙伴。

我希望未來的 AI，不只是機器越來越像人，而是人與機器能夠一起持續成長。工程智能，以及作為工程智能規模化實現形式的共生智能，最終要回答的，都是同一個問題：如何讓技術真正以人為本，不是靠說教，而是靠更好的系統設計，讓最好的選擇成為唯一的選擇。